Documente Academic
Documente Profesional
Documente Cultură
Experimentos Aleatorios
Enfoques de Probabilidad/Teoremas
Básicos de Probabilidad
Eventos Dependientes/Independientes
Experimentos
Sus resultados se conocen una
vez que el experimento ha
finalizado
No Determinísticos
Se pueden describir los
Es un proceso planificado a
posibles resultados pero no se
través del cual se obtiene
puede decir cuál de ellos
una observación (o una
ocurrirá
medición) de un fenómeno
={1, 2, 3, 4, 5, 6,}
Espacio Muestral
M
2
A Evento
1
3 5
Suceso (wi)
Letras
4 6 Mayúsculas del
Alfabeto
A= (wiεA /wi ε M
PROBABILIDADES
Tipos de Experimentos Aleatorios
Simples Un solo experimento aleatorio
Experimentos
Cuando ocurren dos o más
Aleatorios experimentos simples al mismo
tiempo o bien uno después del
otro
Compuestos
M = {M1UM2U…Mi} M = {M1∩M2…Mi}
PROBABILIDADES
M3
M2 M1*M2 C S
M1 C S
CC CCC CCS
C CC CS
CS CSC CSS
S SC SS
SC SCC SCS
SS SSC SSS
PROBABILIDADES
3era Moneda
Experimentos compuestos
C CCC unidos por la partícula “y”
2da Moneda
C SSC
S
S SSS
PROBABILIDADES
A B M A B M
AUB AUB
A B M
M
A´
A
AΠB
PROBABILIDADES
Probabilidad A priori. Llamada
Clásico También Probabilidad de
Laplace
Enfoques de
Subjetivo
Probabilidades
Frecuencia
Probabilidad A posteriore
Relativa
PROBABILIDADES
Enfoques de Probabilidad
Todos los sucesos de un
Supuesto experimento aleatorio tienen
la misma posibilidad de
ocurrir, entonces:
Probabilidad
Subjetivo na
Clásica P[ A] =
M
0 ≤ P[ A] ≤1
Frecuencia
Probabilidad A posteriore
Relativa
Si en la realización de
n experimento aleatorio aparece
P[ A] = un evento A “n veces ≤
N
N”,entonces:
PROBABILIDADES
Principales Teoremas de Probabilidad
P[AUB] = P [A] + P [B]
[ ]
P Ac = 1 − P[ A]
0 ≤ P [ A] ≤ 1 / 0 ≤ P [ A] ≤ 100%
PROBABILIDADES
Eventos Dependientes
Cuando la ocurrencia de un evento está en dependencia de otro
evento, se dice que éste es dependiente.
B
[ ]
P [ A] = P A ; P[ B ] ≠ 0 o bien: [ ]
P [ B ] = P B ; P[ A] ≠ 0
A
[ B] = P[PA[∩B]B] = P[ A]; P[ B] ≠ 0
PA [ A] = P[PB[∩A] A] = P[ B]; P[ A] ≠ 0
PB
[ B] = P[PA[∩B]B] = P[ A]; P[ B] ≠ 0
PA
[ A] = P[PB[∩A] A] = P[ B]; P[ A] ≠ 0
PB
P[ A ∩ B ] = P[ A] * P[ B ]
PROBABILIDADES
Probabilidad Total
Sea A1, A2, …, Ak, eventos que forman una partición del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3]…, P[Ak], si P[B/A1], P[B/A2], P[B/A3]…, P[B/Ak]
son probabilidades conocidas entonces:
P[ B ] = ∑i =1 P[ Ak ]P[ B / Ak ]
k
Probabilidad Total
PROBABILIDADES
Teorema de Bayes
Sea A1, A2, …, Ak, eventos que forman una partición del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3]…, P[Ak], si P[B/A1], P[B/A2], P[B/A3]…, P[B/Ak].
Si B ya ha ocurrido y se está interesado en saber a cual de los
eventos que forman la partición muestral se ha debido su
ocurrencia, entonces se usa el denominado Teorema de Bayes
[
P Ak ] [
P[ Ak ] P B
Ak
]
B
= k
[
∑i =1 P[ Ak ] P B Ak ]
VARIABLE ALEATORIA
Suponga que el siguiente experimento consiste en
el lanzamiento de tres monedas al mismo tiempo y
suponga que se define la variable X como número
de soles en el experimento
0 1 2 3
X = Número de soles
{ 0, 1, 2, 3}
VARIABLE ALEATORIA
Variable Aleatoria es una función que asigna
valores reales a cada uno de los resultados de
un experimento aleatorio
Rango de X x1 x2 x3 … xk ∑
Condiciones de ∑p[X = x] = 1
la Función de
Distribución o p(xk) ≥ 0
Cuantía
VARIABLE ALEATORIA
Variables Aleatoria Continua
Condiciones de
la Función de
Densidad
VARIABLE ALEATORIA
Esperanza Matemática
Dom X = M
“M” son todos los
resultados posibles que
están asociados a un
experimento aleatorio
Todos los
Población valores que
puede tomar
una variable
aleatoria
Parámetros
Esperanza Matemática
ε(x) = µx
Varianza Var(x) = σ²x
VARIABLE ALEATORIA
Discreta
Continua
VARIABLE ALEATORIA
ε(x) = µ
Propiedades de la
Esperanza Matemática
ε(ax) = aε(x)
ε(ax + b) = ε(ax) + b
VARIABLE ALEATORIA
Varianza
Discreta
Continua
VARIABLE ALEATORIA
Var(X)= σ²X
Propiedades de la Var(X) = σ²X ≥ 0
Varianza Var (aX)= a²Var(X)
Var(aX + b) = a²Var(X)
MODELOS PROBABILISTICOS
Si el comportamiento de una V.A
puede ser simulado ya sea de
forma aproximada o total , se
dice que se tiene un modelo
probabilístico Modelos
Probabilístico
Discretos
Modelos
Tipo de V. A
Probabilístico
Modelos
Probabilístico
Continuos
MODELOS PROBABILISTICOS
DISCRETOS
Dn Uniforme Discreta
Dn Binomial Puntual
o Bernoulli
Dn Binomial
Modelos
Dn de Poisson
Probabilístico
Dn Multinomial
Discretos
Dn Hipergeométrica
Dn Hipergeométrica
Generalizada
Otras
MODELOS PROBABILISTICOS
DISCRETOS
Dn
Binomial Puntual o
Bernoulli
Dn Binomial
Dn de Poisson
Dn Hipergeométrica
MODELOS PROBABILISTICOS
CONTINUOS
Dn Uniforme Continua
a < b
X
MODELOS PROBABILISTICOS
CONTINUOS
Dn Normal
Uso de Tablas